Collaborative enhancement of non-MSME credit and optimization of banking idle funds through P2P platforms
Notice bibliographique
Résumé
The market share of peer-to-peer (P2P) has shifted from dominating the P2P lending for Micro, Small, and Medium Enterprises (MSME) to non-MSME. Meanwhile, non-MSME credit is an incumbent main market share banking which possibly makes it a complementary or substitution in P2P lending in non-MSME bank credit. Furthermore, optimizing and maintaining liquidity is important due to banks utilizing intermediation functions. The strictness of bank liquidity could determine the management’s response and policy in determining the best timing to utilize either the FinTech from the P2P platform or the customer’s existing funds first. This study aims to assess the empirical findings of the effect of P2P lending on banking credit that is divided between provinces with strict, normal, and lax liquidity. This study uses data from 33 provinces in Indonesia between January 2022 to December 2022. The study approach uses a regression data panel for the data analysis. The results of this study show that P2P lending positively and significantly impacts bank credits of non-MSMEs in provinces with lax bank liquidity. The stricter the banking the lower the compliments of P2P loans against the bank credits of non-MSME. To the author’s knowledge, no existing studies investigate the P2P lending of non-MSME banking credit that also consider the level of strictness of banking liquidity.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».